دانلود ترجمه مقاله آمار و آنالیز تلفیقی اطلاعات هدفمند فقرزدایی (هینداوی ۲۰۲۲) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

آمار و آنالیز تلفیقی اطلاعات هدفمند فقرزدایی با الگوریتم کلان داده کاوی

Statistics and Analysis of Targeted Poverty Alleviation Information Integrated with Big Data Mining Algorithm

۱٫ مقدمه

۲٫ بازبینی مطالعات پیشین

۳٫ روش تحقیق

۴٫ نتایج و مباحثات

۵٫ نتیجه گیری

در دسترس بودن داده ها

تعارض منافع

تقدیم تشکر

منابع

      برای رسیدن به درکی جامع تر و سیستماتیک تر از تاثیر کمک های دولت به خانوارهای فقیر به منظور تحقق اهداف مبتنی بر کاهش فقر، در این مقاله در کنار بررسی الگوریتم داده کاوی کلان داده ها به بررسی تلفیقی از یک جامعه آماری و تحلیل اطلاعات برنامه کاهش هدفمند فقر می پردازیم. در این بررسی مطابق ماژول خط لوله در یادگیری ماشین (ML) در چارچوب اسپارک که یک چارچوب محاسباتی کلان داده می باشد پیش رفتیم و علم کلان داده های عصر جدید و الگوریتم های شناخته شده داده کاوی را با یکدیگر ادغام نمودیم،‌ پیش تر برای مدل سازی و تحلیل به حجم زیادی از داده نیاز بود اما در این مدل، روش نمونه گیری تصادفی طبقه ای را مورد استفاده قرار دادیم و بدین ترتیب توانستیم مدل جنگل تصادفی، مدل لجستیک و مدل آبشاری جدید پیشنهادی خود برای بررسی خانوارهای فقیر را تدوین نماییم. برای شناسایی خانوارهای ضعیف از چندین روش شناسایی استفاده نمودیم و به ارزیابی مقایسه ای نتایج آن ها پرداختیم، در نهایت، ‌نتایج نشان می دهند هنگامی که با ۱۰۰ داده واقعی صحت سه روش شناسایی خانوار فقیر را مورد آزمایش قرار دهیم، مقدار مدل جنگل تصادفی تا ۸۲ درصد و مقدار مدل لجستیک تا ۷۲ درصد کاهش می یابد که تغییر اندکی به شمار می آید، اما مقدار مدل آبشاری بدون تغییر در همان ۸۳ در صد ثابت باقی می ماند و در هر سه مدل تغییرات ناچیزی رخ خواهد داد. مزیت طراحی جدیدی که در این مقاله برای مدل آبشاری ارائه شده این است که در این روش می توان تا درصد زیادی نمونه ها را مجدد مورد استفاده قرار داد و از این طریق می توان به شکل موثری از برازش بیش از حد نمونه ها اجتناب ورزید، به همین دلیل دیگر نیازی به وجود حجم زیادی از داده نمی باشد. مدل جدید ما مدلی پایدار و قابل اعتماد می باشد. به کارگیری تلفیقی از الگوریتم های هدفمند کاهش فقر با فناوری اطلاعات کلان و داده کاوی را می توان از عمده دلایلی دانست که منجر شدند نتایج حاصل از استفاده از این مدل دقیق تر و قانع کننده‌تر بشوند. شیار تنه و شیار سمت راست غالبا به خاطر جامعه آماری از علت های شایع کنار گذاشته می‌شوند.

بازبینی مطالعات پیشین
     الگوی کاهش هدفمند فقر تنها چهار یا پنج سال است که مطرح شده است و زمان به کارگیری عملی آن در جامعه کوتاه تر از همین چند سال می باشد، به همین دلیل تحقیقات کمی در این زمینه انجام شده است. مدت کمی است که طرح کاهش هدفمند فقر ارائه شده، اما با حمایت قوی دولت مرکزی و تلاش های توامان دولت‌های محلی، طرح کاهش هدفمند فقر در سال های اخیر نتایج قابل توجهی به دست آورده است. امروزه، بسیاری از محققان چینی پیشنهادهای خلاقانه ای برای کاهش فقر ارائه می دهند و توصیف و تحلیل های مفصلی از طرح‌های خود و مشکلاتی که ممکن است در حین عملی کردن طرح با آن مواجه شوند را نیز تشریح می کنند. ژائو اس و دیگر محققان برای مطالعه وضعیت فقر در ساختار خانواده از روش اندازه گیری استفاده کردند. در نتیجه این تحقیقات متوجه شدند چه دسته ای از خانواده ها بیشتر در معرض فقر قرار دارند ]۸[. آواجان و محققان دیگر برای کمک به کاهش هدفمند فقر علم کلان داده ها را به کار گرفتند. آن ها به مقایسه کلان داده های کاهش فقر با داده های کاهش فقر به روش سنتی پرداختند، یافته های آن ها نشان می دهد که کاهش هدفمند فقر به کمک کلان داده ها مزایای بیشتری نسبت به روش های سنتی کاهش فقر دارد و این روش در شناسایی و کمک به خانوارهای فقیر موفق تر عمل می کند ]۹[. گای و چند تن دیگر از محققان فناوری ها و الگوهای سنتی کاهش فقر را به چالش کشیدند. مدل های کاهش فقری که در گذشته مورد استفاده قرار می گرفتند در مقیاس بزرگ کارایی داشتند و ظرفیت اعمال منطقه ای را نداشته و به همین دلیل شناسایی فقیرترین خانوارها به کمک این روش ها دشوار بود. افزون بر این، اگر اطلاعات خانوارهای فقیر برای مدتی طولانی به روز نشود، مشکلات جدید فراوانی ظاهر خواهد شد؛ به همین دلیل لازم است فورا الگوهای سنتی کاهش فقر تغییر پیدا کنند. الگوی جدیدی که ارائه می شود می بایست برای کاهش فقر مد نظر و افزایش کارایی الگوی کاهش هدفمند فقر به صورت همه جانبه فناوری کلان داده ها را به کار ببندد ]۱۰[. کویی و محققان دیگر بر این باورند که هنوز برای لحاظ کردن درآمد اقتصادی خانوارهای فقیر به عنوان استاندارد سطح فقر در خانوارهای فقیر محدودیت هایی وجود دارد. منتهای مراتب، پژوهشی انجام شد که در آن به بررسی شرایط خانوارهای فقیر از گزارشات افراد غیر فقیر تمرکز داشت، نتایج این پژوهش مشخص کرد که ۱۳٫۵ درصد از پاسخ دهنده ها که کشاورز بودند معتقدند برخی خانوارهای فقیری که واقعا به کمک دولت نیاز دارند، در فرایند شناسایی و تشکیل پرونده مغفول مانده اند ]۱۱[. واچکووا و برخی محققان دیگر برای فقرزدایی هدفمند تعریف و تحلیل ارائه داده و نظرات خود را در مورد الزام اجرای طرح کاهش هدفمند فقر را بیان کرده اند. در این مقاله از مدل فقرزدایی مورد استفاده در زمان اصلاحات و گشایش توصیف کاملی ارائه شده و توضیح می دهیم که چرا مدل فقرزدایی گسترده قبلی دیگر برای محیط و شرایط فعلی قابل اجرا نمی باشد، همچنین نکات کلیدی و دشواری های طی مسیر اجرای طرح کاهش هدفمند فقر را به طور خلاصه بیان کرده و مدل عملی جدید خود را تشریح می نماییم ]۱۲[. ویزو واسام و محققان دیگر سازوکار کاهش هدفمند فقر از طریق فناوری کلان داده را مورد بحث و بررسی قرار داده و به این نتیجه رسیدند که فناوری کلان داده می تواند به شکل گسترده ای در جهت کاهش هدفمند فقر مورد استفاده قرار گیرد ]۱۳[.